Chainer Clase

Directorio local que contiene los archivos de configuración del experimento.

Destino de proceso en el que se realizará el entrenamiento. Puede ser un objeto o la cadena "local".

Tamaño de máquina virtual del destino de proceso que se creará para el entrenamiento. Valores admitidos: cualquier tamaño de máquina virtual de Azure.

Prioridad de la máquina virtual del destino de proceso que se creará para el entrenamiento. Si no se especifica, se usa "dedicated" (dedicada).

Valores admitidos: "dedicated" (dedicada) y "lowpriority" (prioridad baja).

Esto solo tiene efecto cuando se especifica vm_size param en la entrada.

Ruta de acceso relativa al archivo que contiene el script de entrenamiento.

Diccionario de argumentos de la línea de comandos que se pasan al script de entrenamiento especificado en entry_script.

Número de nodos del destino de proceso utilizado para el entrenamiento. Si es mayor que 1, se ejecutará un trabajo distribuido de MPI. Solo se admite el destino AmlCompute para los trabajos distribuidos.

número de procesos por nodo. Si es mayor que 1, se ejecutará un trabajo distribuido de MPI. Solo se admite el destino AmlCompute para los trabajos distribuidos.

Back-end de comunicación para el entrenamiento distribuido.

EN DESUSO. Use el parámetro distributed_training.

Valores admitidos: "mpi".

"mpi": MPI/Horovod

Este parámetro es obligatorio cuando node_count o process_count_per_node> 1.

Cuando node_count == 1 y process_count_per_node == 1, no se usará ningún back-end a menos que se establezca explícitamente el back-end. Solo se admite el destino AmlCompute para el entrenamiento distribuido.

Parámetros para ejecutar un trabajo de entrenamiento distribuido.

Para ejecutar un trabajo distribuido con el back-end de MPI, use el objeto Mpi para especificar process_count_per_node.

Especifica si el entorno que va a ejecutar el experimento debe admitir GPU. Si es true, la imagen predeterminada de Docker basada en GPU se usará en el entorno. Si es False, se usará una imagen basada en CPU. Las imágenes predeterminadas de Docker (CPU o GPU) solo se usarán si el parámetro custom_docker_image no está establecido. Esta configuración solo se usa en destinos de proceso habilitados para Docker.

Especifica si el entorno para ejecutar el experimento debe basarse en Docker.

El nombre de la imagen de Docker a partir de la que se va a crear la imagen que se va a usar para el entrenamiento.

EN DESUSO. Utilice el parámetro custom_docker_image.

Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

El nombre de la imagen de Docker a partir de la que se va a crear la imagen que se va a usar para el entrenamiento. Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

Los detalles del registro de imágenes de Docker.

Especifica si Azure ML reutiliza un entorno de Python existente. Si es False, Azure ML creará un entorno de Python basado en la especificación de dependencias de Conda.

Lista de cadenas que representan los paquetes de Conda que se van a agregar al entorno de Python para el experimento.

Lista de cadenas que representan los paquetes de pip que se van a agregar al entorno de Python para el experimento.

Ruta de acceso relativa al archivo YAML de dependencias de Conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco. EN DESUSO. Use el parámetro conda_dependencies_file.

La ruta de acceso relativa al archivo de texto de requisitos de pip. Se puede proporcionar en combinación con el parámetro pip_packages. EN DESUSO. Use el parámetro pip_requirements_file.

Ruta de acceso relativa al archivo YAML de dependencias de Conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco.

La ruta de acceso relativa al archivo de texto de requisitos de pip. Se puede proporcionar en combinación con el parámetro pip_packages.

Diccionario de nombres y valores de variables de entorno. Estas variables de entorno se establecen en el proceso donde se ejecuta el script de usuario.

La definición de entorno del experimento. Incluye PythonSection, DockerSection y variables de entorno. Cualquier opción del entorno que no se exponga directamente mediante otros parámetros a la construcción del estimador se puede establecer mediante este parámetro. Si se especifica este parámetro, tendrá prioridad sobre otros parámetros relacionados con el entorno, como use_gpu, custom_docker_image, conda_packages o pip_packages. Se notificarán los errores sobre estas combinaciones no válidas.

Lista de objetos DataReference o DatasetConsumptionConfig que se van a usar como entrada.

Almacén de datos de respaldo para el recurso compartido del proyecto.

Tamaño del bloque de memoria compartida del contenedor Docker. Si no se establece, se usa el valor de azureml.core.environment._DEFAULT_SHM_SIZE predeterminado. Para más información, consulte Referencia de ejecución de Docker.

Ruta de acceso de datos que contiene el punto de control o los archivos del modelo desde los que se va a reanudar el experimento.

Tiempo máximo permitido para la ejecución. Azure ML intentará cancelar automáticamente la ejecución si tarda más que este valor.

La versión de Chainer que se usará para ejecutar el código de entrenamiento. Chainer.get_supported_versions() devuelve una lista de las versiones admitidas por el SDK actual.

Directorio local que contiene los archivos de configuración del experimento.

Destino de proceso en el que se realizará el entrenamiento. Puede ser un objeto o la cadena "local".

Tamaño de máquina virtual del destino de proceso que se creará para el entrenamiento. Valores admitidos: cualquier tamaño de máquina virtual de Azure.

Prioridad de la máquina virtual del destino de proceso que se creará para el entrenamiento. Si no se especifica, el valor predeterminado será "dedicado".

Valores admitidos: "dedicated" (dedicada) y "lowpriority" (prioridad baja).

Esto solo surte efecto cuando se especifica el parámetro vm_size en la entrada.

Ruta de acceso relativa al archivo que contiene el script de entrenamiento.

Diccionario de argumentos de la línea de comandos que se pasan al script de entrenamiento especificado en entry_script.

Número de nodos del destino de proceso utilizado para el entrenamiento. Si es mayor que 1, se ejecutará un trabajo distribuido de MPI. Solo se admite el destino AmlCompute para los trabajos distribuidos.

número de procesos por nodo. Si es mayor que 1, se ejecutará un trabajo distribuido de MPI. Solo AmlCompute se admite el destino de proceso de destino para trabajos distribuidos.

Back-end de comunicación para el entrenamiento distribuido.

EN DESUSO. Use el parámetro distributed_training.

Valores admitidos: "mpi".

"mpi": MPI/Horovod

Este parámetro es obligatorio cuando node_count o process_count_per_node> 1.

Cuando node_count == 1 y process_count_per_node == 1, no se usará ningún back-end a menos que se establezca explícitamente el back-end. Solo se admite el destino AmlCompute para el entrenamiento distribuido.

Parámetros para ejecutar un trabajo de entrenamiento distribuido.

Para ejecutar un trabajo distribuido con el back-end de MPI, use el objeto Mpi para especificar process_count_per_node.

Especifica si el entorno que va a ejecutar el experimento debe admitir GPU. Si es True, se usará en el entorno una imagen predeterminada de Docker basada en GPU. Si es False, se usará una imagen basada en CPU. Las imágenes predeterminadas de Docker (CPU o GPU) solo se usarán si el parámetro custom_docker_image no está establecido. Esta configuración solo se usa en destinos de proceso habilitados para Docker.

Especifica si el entorno para ejecutar el experimento debe basarse en Docker.

El nombre de la imagen de Docker a partir de la que se va a crear la imagen que se va a usar para el entrenamiento.

EN DESUSO. Utilice el parámetro custom_docker_image.

Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

El nombre de la imagen de Docker a partir de la que se va a crear la imagen que se va a usar para el entrenamiento. Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

Los detalles del registro de imágenes de Docker.

Especifica si Azure ML reutiliza un entorno de Python existente. Si es False, Azure ML creará un entorno de Python basado en la especificación de dependencias de Conda.

Lista de cadenas que representan los paquetes de Conda que se van a agregar al entorno de Python para el experimento.

Lista de cadenas que representan los paquetes de pip que se van a agregar al entorno de Python para el experimento.

Ruta de acceso relativa al archivo YAML de dependencias de Conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco. EN DESUSO. Use el parámetro conda_dependencies_file.

La ruta de acceso relativa al archivo de texto de requisitos de pip. Se puede proporcionar en combinación con el parámetro pip_packages. EN DESUSO. Use el parámetro pip_requirements_file.

Ruta de acceso relativa al archivo YAML de dependencias de Conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco.

La ruta de acceso relativa al archivo de texto de requisitos de pip. Se puede proporcionar en combinación con el parámetro pip_packages.

Diccionario de nombres y valores de variables de entorno. Estas variables de entorno se establecen en el proceso donde se ejecuta el script de usuario.

La definición de entorno del experimento. Incluye PythonSection, DockerSection y variables de entorno. Cualquier opción del entorno que no se exponga directamente mediante otros parámetros a la construcción del estimador se puede establecer mediante este parámetro. Si se especifica este parámetro, tendrá prioridad sobre otros parámetros relacionados con el entorno, como use_gpu, custom_docker_image, conda_packages o pip_packages. Se notificarán los errores sobre estas combinaciones no válidas.

Lista de azureml.data.data_reference. Objetos DataReference que se usarán como entrada.

Almacén de datos de respaldo para el recurso compartido del proyecto.

Tamaño del bloque de memoria compartida del contenedor Docker. Si no se establece, se usa el valor de azureml.core.environment._DEFAULT_SHM_SIZE predeterminado. Para más información, consulte Referencia de ejecución de Docker.

Ruta de acceso de datos que contiene el punto de control o los archivos del modelo desde los que se va a reanudar el experimento.

Tiempo máximo permitido para la ejecución. Azure ML intentará cancelar automáticamente la ejecución si tarda más que este valor.

La versión de Chainer que se usará para ejecutar el código de entrenamiento. Chainer.get_supported_versions() devuelve una lista de las versiones admitidas por el SDK actual.

Habilite la compilación de entorno incremental con imágenes de marco pregeneradas para una preparación más rápida del entorno. Una imagen de marco pregenerada se basa en imágenes base predeterminadas de CPU y GPU de Azure ML con dependencias de marco preinstaladas.

Deshabilite la validación del script antes de ejecutar el envío. El valor predeterminado es True.

Mostrar advertencias de linting de script. El valor predeterminado es False.

Mostrar advertencias de validación de paquetes. El valor predeterminado es False.